Análisis predictivo de activos mineros para obtención de intervalo de falla mediante algoritmos de machine learning

Abstract

La industria de la gran minería se encuentra investigando sobre nuevas tecnologías en monitoreo de condiciones de los equipos de mayor demanda, para poder realizar modelos predictivos capaces de determinar el momento en que dichos equipos fallarán. Esto se realiza en el contexto de evitar dentro de lo posible, las mantenciones no programadas, puesto a que suelen ser costosas en cuanto al tiempo ocupado (tiempos muertos de los equipos e indisponibilidad) y en cuanto a mantenciones (reemplazos y mantenciones caras para fallas inesperadas), lo que finalmente resulta en una caída en la producción que se podría evitar con mantenciones programadas. En este contexto, la minera Los Bronces de Anglo American, se encuentra en la búsqueda de modelos predictivos para evitar caídas en la producción por fallas inesperadas en sus equipos principales: camiones. El presente trabajo de título tiene por objetivo obtener un modelo predictivo para determinar el intervalo de falla de activos mineros, con la finalidad de poder gestionar de manera más rentable la mantención del activo. El modelo considera los motores Diesel de la marca Cummins, modelo QSK60 HPI de la flota de camiones Komatsu 930E, utilizando el registro histórico de las muestras de análisis de aceites que servirá como datos de entrenamiento de algoritmos de Machine Learning. El análisis predictivo del presente trabajo contemplará tres modelos: detección de anomalía, clasificación de causa de falla, y predicción de tiempo de vida remanente (RUL, del inglés Remaining Useful Life). De los algoritmos utilizados para la detección de anomalía, el etiquetado según Covarianza Robusta es el más adecuado para etiquetar datos anómalos que podrán ser usados por algoritmos semi-supervisados. De estos, One-class SVM es el que resulta tener mejores rendimientos. Por otra parte, se determina que el etiquetado por límites temporales no es concluyente. De los algoritmos utilizados para clasificación, Multiclass Decision Jungle y Forest, ambos algoritmos de ensamble de modelos, son los que tienen mejores métricas de rendimiento, que para el caso de etiquetado según Covarianza Robusta, llegan a un Overall Accuracy de 93 % y 87 % respectivamente. De los algoritmos usados para la predicción de RUL, Decision Forest Regression es el que tiene coeficiente de determinación más alto, alcanzando un 95 % aproximadamente. Se sugiere la implementación de los modelos 1 (etiquetado de anomalía por Covarianza Robusta), y modelo 3 (predicción de RUL por Decision Forest Regression). No se sugiere la utilización del modelo 2, puesto que se considera que no agrega más valor que el ojo experto del tribólogo del área.